التنبؤ بأداء هوائي رقاعي قائم على الغرافين باستخدام نموذج تعلم آلي لتطبيقات التيراهرتز

لماذا تهم الهوائيات الصغيرة لشبكات الغد

مع تسابق هواتفنا وأجهزتنا الاستشعارية واللاسلكية نحو سرعات نقل بيانات أعلى، يتجه المهندسون إلى نطاق التيراهرتز—ترددات تفوق شبكات الواي‑فاي الحالية بمقدار ألف مرة. عند هذه القيم القصوى يصبح بناء هوائيات فعالة أمراً صعباً جداً، ومحاكاة كل تصميم جديد قد تستغرق ساعات. تُظهر هذه الدراسة كيف يمكن لمادة فائقة الرقة تُدعى الغرافين، مقترنة بتعلم آلي، أن تُستخدم لتصميم هوائيات تيراهرتز مدمجة وقابلة للتحسين بسرعة في البرمجيات، بما يمهد الطريق لشبكات 6G وما بعدها.

معزز إشارة صغير من نوع جديد

صمم المؤلفون هوائياً «رقاعياً» مجهرياً مصنوعاً من الغرافين، طبقة واحدة من ذرات الكربون، موضوعاً على كتلة من السيليكون مع طبقة غرافين أخرى تعمل كأرضي. على الرغم من أن حجمه لا يتجاوز عشرات الميكромترات—أصغر من عرض شعرة الإنسان—إلا أن الهوائي مُصمم للعمل عبر نطاق من 1 إلى 5 تيراهرتز، وهو مدى جذاب للوصلات اللاسلكية فائقة السرعة، والاستشعار، والتصوير. تُظهر المحاكيات الحاسوبية أن هذا الجهاز المدمج يمكنه دعم 11 حزمة ترددية مميزة داخل هذا النطاق والوصول إلى عظمى كسب حوالي 7.5 dBi، ما يعني أنه يركز طاقة الراديو بفاعلية ملحوظة بالنسبة لحجمه.

ضبط المادة والشكل

ما يميّز هذا الهوائي ليس حجمه فحسب، بل قدرته على الضبط. يمكن تعديل السلوك الكهربائي للغرافين بتغيير خاصيتين رئيسيتين: الجهد الكيميائي (الذي يتحكم بمدى سهولة حركة حاملي الشحنة) وزمن الاسترخاء (الذي يؤثر على المدة التي يستمرون فيها بالحركة قبل التشتت). إلى جانب هاتين الخصلتين يغيّر الفريق طول وعرض الرقعة المرسلة. من خلال تدوير هذه المقابض الأربعة—اثنتان هندسيتان واثنتان معتمدتان على المادة—في أداة محاكاة مفصّلة، يستكشفون كيف تؤثر كل مجموعة من القيم على مقاييس الأداء الهامة: مقدار الطاقة المنعكسة (S11)، مدى مطابقة الهوائي لمغذّيه (VSWR)، مدى تضخيم الإشارة (الكسب)، كفاءة الإشعاع، وشكل الانتشار في الاتجاهين الأفقي والعمودي.

ترك الآلات لتتعلم سلوك الهوائي

بدلاً من تشغيل محاكيات مكلفة لكل تصميم جديد، يبني الباحثون ثلاثة نماذج تعلم آلي—شبكة عصبية اصطناعية، غابة عشوائية، وآلة دعم المتجهات—لتعلم العلاقة بين هذه المقابض الأربع وسبعة مخرجات أداء. أولاً يولّدون مجموعة تدريب كبيرة: 784 تكوينًا مختلفًا للهوائي، قٍيّم كل منها عند مئات نقاط التردد، ما يولّد منحنيات غنية وأنماط إشعاعية. تُغذّى هذه البيانات لخوارزميات التعلم، التي تُدرّب وتُختبر لمعرفة مدى قدرتها على التنبؤ بالسلوك الكامل لتصميم هوائي جديد لم «ترهُ» من قبل. تستخدم الشبكة العصبية طريقة تدريب مناسبة لأحجام بيانات معتدلة، متجنبة بعناية الإفراط في التعلّم وفي الوقت نفسه عاكِسة لاتجاهات شديدة اللاخطية.

تسريع التصميم دون التضحية بالدقة

بمجرد تدريبها، تعيد النماذج الثلاثة السلوك المُحاكَى للهوائي بدقة عالية، محققة معاملات تحديد (R²) تتراوح تقريباً بين 0.96 و0.99 لمعظم المعاملات. تقدم الشبكة العصبية أفضل أداء، وتصل إلى R² تصل إلى 0.999 وتقدّم تنبؤات في نحو 0.7 ملّي ثانية لتصميم معين، مقارنة بالوقت الطويل اللازم لمحاكاة كهرومغناطيسية كاملة. تُطابق بدقة ليس فقط أعداداً بسيطة مثل الكسب، بل أيضاً منحنيات متعددة النطاقات المفصّلة وأنماط الإشعاع ثنائية الأبعاد عبر حزمة التيراهرتز. تعمل نهجا الغابة العشوائية وآلة دعم المتجهات جيداً أيضاً، لكنهما أبطأ وقليلا أدقّتهما أقل من الشبكة العصبية.

ماذا يعني هذا لأنظمة الاتصالات المستقبلية

من الناحية العملية، يبرهن هذا العمل أن شبكة عصبية مُدرّبة بعناية يمكن أن تحلّ مكان محاكيات الفيزياء الثقيلة عند تصميم هوائيات تيراهرتز مبنية على الغرافين. يمكن للمهندسين استكشاف بسرعة كيف ستؤثر تعديلات حجم الهوائي أو خواص الغرافين على الكسب والكفاءة وشكل الحزمة، كل ذلك في الزمن الحقيقي، بدلاً من الانتظار لكل محاكاة جديدة. هذه القدرة حاسمة مع سعي الباحثين نحو مصفوفات كثيفة من مثل هذه الهوائيات لشبكات 6G، وصلات قصيرة المدى فائقة السرعة، والاستشعار المتقدم. ومع أن الدراسة تركز على رقعة واحدة، يمكن توسيع الطريقة نفسها لتشمل مصفوفات هوائيات أكثر تعقيداً، مما قد يحوّل التعلم الآلي إلى أداة قياسية لصياغة الأجهزة التي ستحمل فيضان بيانات الغد.

الاستشهاد: Routhu, G., Abzal, S.M., Sarkar, M. et al. Predicting the performance of a graphene-based patch antenna using a machine learning model for terahertz applications. Sci Rep 16, 14622 (2026). https://doi.org/10.1038/s41598-026-44544-y

الكلمات المفتاحية: هوائيات الغرافين, اتصالات التيراهرتز, تصميم التعلم الآلي, الشبكات اللاسلكية 6G, هوائي رقاعي ميكروستريب